MIT的研究团队提出了一种名为HardFlow的新技术，帮助生成式人工智能在高风险任务中同时满足硬约束和高质量输出。硬约束指安全、物理或任务特定的不可违背条件。传统的投影采样会在每一步强制约束，限制模型的探索空间，导致最终解质量下降。HardFlow改为只在最终输出上强制硬约束，并将采样过程视为轨迹优化问题，借助最优控制理论在生成轨迹上进行细微校正。研究者利用流匹配模型的结构，将大规模神经网络的轨迹优化拆解为一系列单步子问题，并通过系统变换与近似得到在部署时即可高效求解的算法。该框架还能在满足硬约束的同时加入额外目标，例如最短路径，从而提升解的整体质量。实验覆盖机器人操作、迷宫导航和文本引导的图像编辑等场景，HardFlow始终实现了约束的100%满足，并在路径长度、碰撞避免等指标上显著优于基线方法，计算开销亦与主流方法持平或更低。未来可将模型本身也纳入可更新的范畴，实现约束满足与样本质量的自适应提升。
点评：HardFlow通过把约束采样转化为可控的轨迹优化，既保留了生成式模型的探索能力，又确保了安全关键应用的可靠性，为实际部署提供了即插即用的解决方案。